[論文レビュー] Analyzing Epistemic and Aleatoric Uncertainty for Drusen Segmentation in Optical Coherence Tomography Images

Tinu Theckel Joy, Suman Sedai+1 more|arXiv (Cornell University)|Jan 21, 2021

Retinal Imaging and Analysis参考文献 13被引用数 4

ひとこと要約

本稿では、光学干渉断層画像（OCT）におけるドゥルーセン分類モデルをU-Netベースで提案し、認識的不確実性（エピステミック・アンターテインティ）と aleatoric 不確実性（アレアトリック・アンターテインティ）を定量化することで、モデルの頑健性と解釈可能性を向上させる。不確実性に配慮した評価により、特に小規模および中規模のドゥルーセンに対して信頼性の低い予測を特定し、不確実性と分類精度の強い負の相関関係を示す。これにより、より信頼性の高い臨床意思決定支援が可能となる。

ABSTRACT

Age-related macular degeneration (AMD) is one of the leading causes of permanent vision loss in people aged over 60 years. Accurate segmentation of biomarkers such as drusen that points to the early stages of AMD is crucial in preventing further vision impairment. However, segmenting drusen is extremely challenging due to their varied sizes and appearances, low contrast and noise resemblance. Most existing literature, therefore, have focused on size estimation of drusen using classification, leaving the challenge of accurate segmentation less tackled. Additionally, obtaining the pixel-wise annotations is extremely costly and such labels can often be noisy, suffering from inter-observer and intra-observer variability. Quantification of uncertainty associated with segmentation tasks offers principled measures to inspect the segmentation output. Realizing its utility in identifying erroneous segmentation and the potential applications in clinical decision making, here we develop a U-Net based drusen segmentation model and quantify the segmentation uncertainty. We investigate epistemic and aleatoric uncertainty capturing model confidence and data uncertainty respectively. We present segmentation results and show how uncertainty can help formulate robust evaluation strategies. We visually inspect the pixel-wise uncertainty and segmentation results on test images. We finally analyze the correlation between segmentation uncertainty and accuracy. Our results demonstrate the utility of leveraging uncertainties in developing and explaining segmentation models for medical image analysis.

研究の動機と目的

• 変動するサイズ、低コントラスト、ノイズに類似した特徴があることによる、OCT画像における正確なドゥルーセン分類の課題に対処する。
• 医療画像におけるノイズが多く、希な専門家ラベルが与えられるという制限を克服するため、モデルの不確実性とデータの不確実性を定量化する。
• 不確実性しきい値を用いた評価戦略を構築し、低信頼度の予測を除外することで、性能指標の向上を図る。
• 分類の不確実性と精度の関係を調査し、モデルの解釈可能性と臨床的信頼性を向上させる。
• 誤った領域の特定やアクティブラーニング、手動レビューの支援に不確実性定量化がどのように有効であるかを実証する。

提案手法

• エンコーダ・デコーダブロック、バッチ正規化、leaky ReLU、スキップ接続を備えたU-Netアーキテクチャを実装し、密な特徴抽出を実現する。
• OCT画像から128、192、256ピクセルのパッチを切り出してクロップすることで、データオーグメンテーションを実施し、病理的特徴を保持するとともに、学習の多様性を向上させる。
• 推論時にモンテカルロドロップアウトを用いて、エピステミック不確実性（モデルの不確実性）を推定するためのベイジアンディープラーニングを統合する。
• セグメンテーションマスクに加えて、ピクセル単位の分散ヘッドを予測することで、アレアトリック不確実性（データの不確実性）をモデル化する。
• ピクセル単位の不確実性マップを用いて、しきい値を超える不確実性を持つ領域を除外する選択的評価戦略を定義し、性能評価に用いる。
• 平均不確実性とDiceスコアの間のピアソン積率相関係数を計算し、不確実性と分類精度の関係を分析する。

実験結果

リサーチクエスチョン

• RQ1 OCT画像におけるさまざまなサイズのドゥルーセンに対して、エピステミック不確実性とアレアトリック不確実性は、分類精度とどのように相関するか？
• RQ2 不確実性定量化により、低信頼度の予測を除外することで、評価の頑健性が向上するか？
• RQ3 エピステミック不確実性とアレアトリック不確実性は、ドゥルーセン領域において空間的にどの程度異なる分布を示すか？
• RQ4 不確実性マップは、特に小規模または曖昧なドゥルーセンにおいて、誤った分類領域を効果的に強調できるか？
• RQ5 不確実性に基づく評価は、標準的な評価と比較して、Dice、精度、再現率スコアにおいてどのように異なるか？

主な発見

• 不確実性推定の有無に関わらず、すべての設定で同等のDice、精度、再現率スコアを達成しており、不確実性統合による性能劣化は確認されない。
• 中規模および小規模ドゥルーセンに対するモデルの困難さが、低いDiceスコアと高い不確実性によって裏付けられており、タスクの本質的な難易度が裏付けられる。
• 上位2–3％の不確実性ピクセルを除外するしきい値ベースの評価戦略を適用することで、すべての指標で顕著な性能向上が達成された。
• 分類の不確実性とDiceスコアの間には強い負の相関関係が存在し、不確実性が低いほど精度が高くなる。特に小規模および中規模ドゥルーセンにおいて顕著である。
• エピステミック不確実性は、アレアトリック不確実性よりもDiceスコアとの負の相関が強く、モデルの不正確さをより効果的に予測している。
• 可視化分析により、不確実性がドゥルーセンの縁や小規模ドゥルーセン領域で最も高くなることが確認され、不確実性マップが誤った分類領域を効果的に強調している。これにより、臨床的有用性が裏付けられる。